tensorflow之搭建神经网络

最新推荐文章于 2025-01-01 06:50:08 发布

wanglei5205

最新推荐文章于 2025-01-01 06:50:08 发布

阅读量409

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow 文章标签： tensorflow

本文链接：https://blog.youkuaiyun.com/wanglei5205/article/details/77131101

tensorflow 专栏收录该内容

3 篇文章

订阅专栏

本文通过使用TensorFlow构建一个简单的神经网络模型来预测一元二次曲线。该模型包含一个隐藏层，并采用均方误差作为损失函数，通过梯度下降法进行优化。文中详细介绍了数据准备、模型搭建、优化及训练过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# -*- coding: utf-8 -*-
"""
# 环境：tensorflow 0.12/python3.6.1
# 作者: 王磊
"""

import tensorflow as tf
import numpy as np

"""
#=== 真实数据  集合
"""
x_data = np.linspace(-1,1,300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise# 一元二次曲线

"""
#=== 输入数据  监督学习  训练数据
"""
xs = tf.placeholder(tf.float32, [None, 1])#None：样本个数随意
ys = tf.placeholder(tf.float32, [None, 1])#None：样本个数随意

"""
#=== 函数：添加神经网络层
#=== 函参：
          inputs输入数据
          up_size上一层神经元结点个数
          current_size当前层神经元结点个数
          activation_function激活函数
"""

def add_layer(inputs, up_size, current_size, activation_function=None):
    # 权值
    Weights = tf.Variable(tf.random_normal([up_size, current_size]))
    # 偏置
    biases = tf.Variable(tf.zeros([1, current_size]) + 0.1)
    # 加权和
    Wx_plus_b = tf.matmul(inputs, Weights) + biases

    if activation_function is None:
        # 线性输出
        outputs = Wx_plus_b
    else:
        # 非线性输出（激活函数）
        outputs = activation_function(Wx_plus_b)
    return outputs

"""
#=== 搭建神经网络
"""
# 添加隐含层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# 添加输出层
prediction = add_layer(l1, 10, 1, activation_function=None)

"""
#=== 优化神经网络
"""
# 损失函数（MSE均方误差）
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
# 梯度下降
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

"""
#=== 初始化神经网络
"""
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

"""
#=== 训练神经网络
"""
for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 10 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))